Penerapan Algoritme Genetika Pada Optimasi Fungsi Keanggotaan Sistem Inferensi Fuzzy Tsukamoto Untuk Diagnosis Penyakit HIV
| Main Author: | Tampubolon, Yobel Leonardo |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/13520/1/Yobel%20Leonardo%20Tampubolon.pdf http://repository.ub.ac.id/13520/ |
Daftar Isi:
- HIV adalah singkatan dari Human Immunodeficiency Virus. Virus ini menyerang sistem kekebalan tubuh dan melemahkan kemampuan tubuh untuk melawan infeksi dan penyakit. HIV bekerja dengan cara mencari sel T dari darah putih manusia lalu masuk dan memaksa sel T untuk mencetak virus HIV yang baru. Menurut data yang dikeluarkan oleh Ditjen PP & PL Kemenentrian Kesehatan RI, dari awal ditemukan sampai pada desember tahun 2016 secara kumulatif terdapat sekitar 232 ribu orang telah mengidap HIV. Pada sebelumnya untuk mendiagnosis HIV diperlukan seorang pakar yaitu dokter dan dibutuhkan beberapa rangkaian uji tes dimana proses tersebut membutuhkan waktu yang relatif lama. Oleh karena itu diperlukan metode lain yang mampu melakukan diagnosis tersebut. Salah satu penggunaan dari sistem inferensi fuzzy adalah untuk melakukan diagnosis penyakit HIV. Pada sistem inferensi fuzzy terdapat fungsi keanggotaan yang berperan penting dalam menyelesaikan masalah sehingga fungsi tersebut harus ditentukan secara benar dan tepat. Berdasarkan aturan-aturan dan batasan gejala yang diperoleh dari pakar digunakan untuk membentuk aturan yang dibutuhkan dalam logika fuzzy untuk mendapatkan diagnosis penyakit HIV yang akurat. Untuk memperoleh fungsi keanggotaan yang tepat dapat dilakukan perbaikan batasan menggunakan Algoritme Genetika yang mampu memberikan hasil akurasi lebih baik dibandingkan dengan batasan sebelumnya. Algoritme Genetika yang digunakan mampu memberikan nilai akurasi sebesar 45% terhadap 24 data yang diujikan. Pengujian dilakukan menggunakan beberapa nilai parameter terbaik diantarnya nilai populasi adalah 60, generasi senilai 40, crossover rate sebesar 0.70 dan mutation rate sebesar 0.40.